Attenzione spiegabile basata su LSTM few-shot per il rilevamento delle intrusioni in reti di sistemi ciber-fisici sbilanciate

Perché difese più intelligenti sono importanti per le macchine connesse

Dalle reti elettriche e gli impianti idrici ai robot di fabbrica e ai dispositivi ospedalieri, il nostro mondo fisico funziona sempre più spesso grazie a macchine connesse note come sistemi ciber-fisici. Un singolo accesso non autorizzato nascosto in queste reti può interrompere servizi, danneggiare apparecchiature o addirittura mettere in pericolo vite umane. Eppure molti strumenti di sicurezza continuano a non rilevare attacchi rari ma dannosi o a sommergere gli operatori con falsi allarmi difficili da interpretare. Questo studio presenta un nuovo approccio per il rilevamento delle intrusioni, HeXAI-AttentionCPS, progettato per individuare sia le minacce comuni sia quelle rare in queste reti critiche, spiegando inoltre agli esseri umani perché è stato generato un allarme.

Pericoli nascosti nel traffico digitale

I sistemi ciber-fisici scambiano continuamente grandi quantità di dati, la maggior parte delle quali è di routine. Il traffico d’attacco è come pochi fili di colore diverso tessuti in un enorme arazzo. I sistemi tradizionali di rilevamento delle intrusioni tendono a concentrarsi sui modelli più comuni che osservano. Di conseguenza diventano molto bravi a riconoscere eventi frequenti ma trascurano attacchi rari ed emergenti, come sofisticati schemi man-in-the-middle. Quando i ricercatori cercano di risolvere questo problema moltiplicando artificialmente gli attacchi rari nei dati, spesso introducono rumore, rendendo i modelli meno stabili e più lenti, e comunque non pienamente affidabili su nuovi tipi di minacce.

Un sistema di apprendimento che si concentra sul raro e sul rilevante

Il framework proposto HeXAI-AttentionCPS affronta questi problemi modificando sia come il sistema apprende sia su cosa pone attenzione nel traffico di rete. Innanzitutto, utilizza un modello di sequenza chiamato LSTM per leggere i dati nel tempo, proprio come noi comprendiamo il significato da una frase piuttosto che da parole isolate. Sopra a questo, un meccanismo di attenzione funge da riflettore, evidenziando i momenti più significativi nella sequenza di traffico invece di trattare ogni dato come ugualmente importante. Il modello viene addestrato in modalità “few-shot”: durante l’addestramento esercita ripetutamente il riconoscimento dei tipi di attacco a partire da un solo numero limitato di esempi, rispecchiando situazioni reali in cui sono disponibili soltanto poche istanze etichettate di un nuovo attacco.

Bilanciare la scala senza falsificare i dati

Invece di generare attacchi sintetici per correggere lo sbilanciamento, il sistema utilizza una funzione di perdita speciale chiamata focal loss che enfatizza intenzionalmente gli errori sulle classi rare attenuando le decisioni già facili sul traffico comune. Questo spinge l’apprendimento verso gli attacchi difficili da rilevare senza distorcere il dataset. Prima dell’apprendimento, i dati vengono anche compressi con una lente matematica chiamata Analisi delle Componenti Principali (PCA), che conserva i modelli più informativi scartando la ridondanza. Questa combinazione riduce il carico computazionale e aiuta il meccanismo di attenzione a concentrarsi sulle variazioni veramente significative nel traffico, migliorando sia la velocità sia la precisione.

Trasformare allarmi black-box in indizi comprensibili

Una barriera importante alla fiducia nelle difese automatizzate è che molte si comportano come scatole nere, emettendo allarmi senza spiegazione. HeXAI-AttentionCPS integra un metodo di spiegazione noto come SHAP, che scompone ogni predizione in contributi dalle singole caratteristiche come porte sorgente e destinazione, indirizzi IP, durata del traffico e stato della connessione. Per un operatore, questo significa che quando il sistema segnala un attacco man-in-the-middle può anche mostrare quali porte, pattern di IP o comportamenti temporali hanno spinto la decisione verso “maligno”. Nel tempo, questa visione rivela quali aspetti della rete sono costantemente coinvolti negli attacchi, offrendo indicazioni per rinforzare il sistema.

Cosa significano i risultati nella pratica

Gli autori hanno testato il loro framework su un dataset di benchmark realistico che imita reti industriali moderne con nove diversi tipi di attacco. Rispetto a diversi baselines di deep learning, HeXAI-AttentionCPS ha ottenuto elevata accuratezza e punteggi F1 mantenendo i falsi allarmi estremamente bassi, anche per attacchi rari che altri sistemi spesso non rilevano. Per i team di sicurezza, questo significa meno intrusioni gravi non rilevate e meno allarmi fuorvianti, oltre a una chiara comprensione del perché il sistema reagisce in un certo modo. In termini semplici, lo studio dimostra che è possibile costruire una sentinella per le infrastrutture critiche che non solo individua meglio le minacce insolite, ma è anche in grado di spiegare il proprio ragionamento in modo che gli esseri umani possano agire di conseguenza.

Citazione: Abdulganiyu, O.H., Fadi, O., Moukafih, Y. et al. Explainable attention based few shot LSTM for intrusion detection in imbalanced cyber physical system networks. Sci Rep 16, 7217 (2026). https://doi.org/10.1038/s41598-026-38668-4

Parole chiave: rilevamento delle intrusioni, sistemi ciber-fisici, dati sbilanciati, IA spiegabile, few-shot learning